“也就是說，只要這百分之5的資料和測試集的資料差別不大，你的辦法可以比去年的冠軍強十個百分點？”唐璜仍舊還處於極度的震撼當中。“就這麼簡單？我還沒出力呢，你們就全趴下了？”
唐璜此時的感覺，就像是夜神月第一次發現原來可以直接指派死神去除掉自己最大的對手L一樣。想象中的努力，拼搏和奮鬥一樣都沒有發生，也完全沒有必要，驚人的成績和進展甚至在比賽正式開始之前就已經獲得。
“這就是人生。成功與失敗很多時候可能與你並無關係，習慣就好。”孟繁岐拍了拍他的肩膀，“這次不習慣也沒什麼，以後的道路還有很長很長，你會習慣的。”
因為不習慣也沒辦法，是吧。改變不了體重的人就只能改變審美。
否則會被自己折磨一輩子的。
既然在95%的資料上已經取得了這樣的結果，接下來要做的就是把餘下的5%也加入進去，繼續微調模型幾天。
如此一來，得出的最終結果就可以直接在11月份的時候做提交所用了。
在一個效能已經相當不錯的模型上繼續微調它的效能，就遠遠用不到21天那麼久的時間了。
只需兩天左右的時間，新的訓練日誌便顯示，模型的效能已經基本收斂到一個固定值，很少再繼續波動。
這樣的話，孟繁岐在前往澳大利亞會議現場之前，就只剩下唯一的一件事情要做，那就是補齊手頭這些論文的實驗資料。
將這些文章所缺的最後一塊拼圖填補上去。
截止此時，孟繁岐已經大約完成了接近7篇之多的文章。除了本次的參賽核心，基於殘差思想的新模型DreamNet，以及相關的訓練技巧，批歸一化，Adam二階最佳化器，和Mixup資料增強之外。
孟繁岐還在三個其他方向上準備了開創性的工作，以佔坑三個關鍵的領域。
在參賽的相關內容中，其實只有殘差網路算得上是開創性的內容。餘下的三者，雖然是各自方向上的佳作，但是難以稱得上是某一細分領域的奠基之作。
寫論文去詳細描述，也只是迫於無奈，因為為了確保DreamNet的效能和訓練速度，孟繁岐不得已而使用了一些技巧。
為了確保這樣的重要結果業界可以復現，孟繁岐不得不詳細描述這些訓練技巧，於是便寫成論文。但若是有得選擇，其實並不急於一時。
而他真正希望搶佔先機去佈局的，一，是先前與付院長討論過原理的，生成式對抗網路。這是近些年來最具有前景也最優雅的無標籤學習方法，是以後所有生成類技術難以繞開的一個里程碑。
二，是基於新思想的實時檢測網路。這會使得在圖片上分辨物體並確定位置的速度和準確率大大提高。日後落地最廣的影象檢測技術，不論是人臉識別，自動駕駛還是工業內檢測。這些新技術都不得不提到這次提速的重要意義。
三，則是最簡潔好用的分割網路，UNet。這將會是複雜分割任務的基準線，並且會制霸醫療影象領域。
孟繁岐選出這三類加上殘差網路，就涵蓋了分類，檢測，分割和生成四大領域。佔領了影象演算法的四大主要賽道。
之所以全選擇影象類的技術，也是為了顯得合理一些。至於語言類，語音類或者多種模態的融合演算法，他則計劃可以稍稍放緩些時日提出。